300+ câu Trắc nghiệm Học máy cơ bản có đáp án - Phần 3

Clustering (Phân cụm)

Linear Regression (Hồi quy tuyến tính)

Support Vector Machine (SVM)

Decision Tree (Cây quyết định)

Tính toán và lan truyền sai số từ lớp đầu ra về các lớp trước đó để cập nhật trọng số

Truyền dữ liệu đầu vào từ lớp đầu vào đến lớp đầu ra

Tính toán gradient cho từng đặc trưng

Tạo ra các kết nối mới giữa các nơ-ron

Tạo ra các biến thể mới của dữ liệu huấn luyện hiện có (ví dụ: xoay, lật ảnh) để tăng kích thước tập dữ liệu và cải thiện khả năng khái quát hóa

Giảm số lượng đặc trưng trong tập dữ liệu

Tăng tốc độ hội tụ của mô hình

Loại bỏ các giá trị ngoại lai

Chia nhỏ không gian đặc trưng thành các vùng con dựa trên các kiểm tra điều kiện trên các đặc trưng

Tìm kiếm các điểm dữ liệu gần nhất để đưa ra dự đoán

Tối đa hóa khoảng cách giữa các lớp

Xây dựng một mô hình tuyến tính để khớp với dữ liệu

Tìm các thành phần chính (principal components) có phương sai lớn nhất để giảm chiều dữ liệu

Phân loại dữ liệu thành các nhóm

Tối ưu hóa hàm mất mát trong mạng nơ-ron

Dự đoán giá trị liên tục

Các tham số được đặt trước khi quá trình huấn luyện bắt đầu và không được học từ dữ liệu

Các tham số được học từ dữ liệu trong quá trình huấn luyện

Các tham số chỉ xuất hiện trong mạng nơ-ron

Các tham số dùng để đánh giá mô hình

Tìm kiếm tổ hợp siêu tham số tốt nhất bằng cách thử tất cả các kết hợp có thể trong một không gian tìm kiếm được định nghĩa trước

Giảm chiều dữ liệu

Phân loại dữ liệu thành các cụm

Tối ưu hóa trọng số của mạng nơ-ron

Phân loại một điểm dữ liệu mới dựa trên nhãn của K điểm dữ liệu gần nhất trong tập huấn luyện

Tìm kiếm các cụm dữ liệu

Giảm chiều dữ liệu

Dự đoán giá trị liên tục bằng cách ngoại suy

Tìm một siêu phẳng phân chia tối đa hóa lề (margin) giữa các lớp dữ liệu

Giảm thiểu sai số bình phương trung bình

Phân cụm dữ liệu thành các nhóm nhỏ

Dự đoán giá trị liên tục

Giới thiệu tính phi tuyến vào mô hình, cho phép mạng học các mối quan hệ phức tạp

Tăng tốc độ hội tụ của thuật toán

Giảm thiểu số lượng tham số trong mạng

Chuẩn hóa dữ liệu đầu vào

Ngăn chặn overfitting bằng cách ngẫu nhiên ‘bỏ qua’ một tỷ lệ các nơ-ron và kết nối của chúng trong mỗi lần cập nhật trọng số

Tăng tốc độ lan truyền ngược

Giảm kích thước của mô hình

Tăng cường sự phụ thuộc giữa các nơ-ron

Tỷ lệ các trường hợp dương tính thực tế được mô hình xác định đúng

Tỷ lệ các trường hợp được dự đoán là dương tính thực sự là dương tính

Tỷ lệ dự đoán đúng trên tổng số mẫu

Độ chính xác trung bình của mô hình

Học không giám sát (Unsupervised Learning)

Học có giám sát (Supervised Learning)

Học tăng cường (Reinforcement Learning)

Học bán giám sát (Semi-supervised Learning)

Mô hình quá đơn giản, không nắm bắt được cấu trúc cơ bản của dữ liệu, dẫn đến hiệu suất kém trên cả dữ liệu huấn luyện và dữ liệu mới

Mô hình học quá tốt trên dữ liệu huấn luyện nhưng kém trên dữ liệu mới

Mô hình có độ phức tạp phù hợp với dữ liệu

Mô hình yêu cầu nhiều dữ liệu hơn để hội tụ

Kích thước của mỗi bước cập nhật trọng số trong quá trình huấn luyện

Số lượng lớp ẩn trong mạng

Số lượng đặc trưng đầu vào

Độ phức tạp của hàm mất mát

Sử dụng kiến thức chuyên môn để tạo ra các đặc trưng mới từ dữ liệu thô nhằm cải thiện hiệu suất mô hình

Chọn ngẫu nhiên các đặc trưng từ tập dữ liệu

Loại bỏ các đặc trưng không quan trọng

Tối ưu hóa các siêu tham số của mô hình

Quá trình chia văn bản thành các đơn vị nhỏ hơn như từ, cụm từ hoặc câu

Gán nhãn ngữ pháp cho các từ trong câu

Biến đổi văn bản thành biểu diễn số

Phân tích tình cảm của văn bản

Xác định xem một email là spam hay không spam

Dự đoán giá nhà dựa trên diện tích và vị trí

Ước tính nhiệt độ ngày mai

Phân nhóm khách hàng dựa trên hành vi mua sắm

Giảm số lượng biến đầu vào (đặc trưng) trong khi vẫn giữ lại thông tin quan trọng nhất, nhằm giảm độ phức tạp tính toán và tránh ‘curse of dimensionality’

Tăng số lượng đặc trưng để cải thiện độ chính xác của mô hình

Loại bỏ các giá trị ngoại lai (outliers) khỏi dữ liệu

Tăng cường tính phi tuyến của mô hình

Giảm thiểu hàm mất mát (loss function) bằng cách điều chỉnh các tham số của mô hình theo hướng ngược lại của gradient

Tăng tốc độ tính toán của mô hình

Tăng cường khả năng khái quát hóa của mô hình

Chọn lựa các đặc trưng quan trọng nhất

Đánh giá độ tổng quát hóa (generalization) của mô hình và ước tính hiệu suất trên dữ liệu chưa thấy

Tăng tốc độ huấn luyện mô hình

Giảm thiểu lỗi của con người trong việc gán nhãn dữ liệu

Tự động lựa chọn thuật toán học máy tốt nhất

Tăng số lượng tham số và độ phức tạp của mô hình

Sử dụng kỹ thuật regularization (chuẩn hóa) như L1 hoặc L2

Huấn luyện mô hình trên ít dữ liệu hơn

Giảm kích thước batch trong quá trình huấn luyện

Hiệu suất cao, tốc độ xử lý nhanh và khả năng chống overfitting tốt nhờ các kỹ thuật tối ưu hóa

Sử dụng các mô hình tuyến tính đơn giản

Khả năng hoạt động trên dữ liệu không có nhãn

Độ phức tạp thấp và dễ diễn giải

Hàm mất mát (loss function) để đo lường sự khác biệt giữa phân phối xác suất dự đoán và phân phối xác suất thực tế

Hàm kích hoạt (activation function) cho các lớp ẩn

Kỹ thuật chuẩn hóa (regularization)

Phương pháp giảm chiều dữ liệu

Mô hình hoạt động tốt trên dữ liệu huấn luyện nhưng kém trên dữ liệu mới chưa từng thấy

Mô hình hoạt động kém trên cả dữ liệu huấn luyện và dữ liệu mới

Mô hình hoạt động tốt trên dữ liệu mới nhưng kém trên dữ liệu huấn luyện

Mô hình có quá ít tham số để học từ dữ liệu

Hình ảnh, âm thanh, văn bản

Chỉ dữ liệu dạng bảng

Dữ liệu chuỗi thời gian

Dữ liệu không có nhãn

Tỷ lệ các trường hợp dương tính thực sự trong tất cả các trường hợp được mô hình dự đoán là dương tính

Tỷ lệ các trường hợp dương tính thực sự trong tất cả các trường hợp dương tính thực tế

Tỷ lệ các trường hợp âm tính thực sự trong tất cả các trường hợp được mô hình dự đoán là âm tính

Tỷ lệ các trường hợp âm tính thực sự trong tất cả các trường hợp âm tính thực tế

Phân loại nhị phân (Binary Classification)

Hồi quy (Regression)

Phân cụm (Clustering)

Giảm chiều dữ liệu (Dimensionality Reduction)

Quá trình tạo ra các đặc trưng mới từ dữ liệu thô để cải thiện hiệu suất mô hình

Việc lựa chọn các thuật toán học máy phù hợp cho bài toán

Đánh giá hiệu suất của mô hình đã huấn luyện

Tiền xử lý dữ liệu bằng cách loại bỏ các giá trị ngoại lai

Giới thiệu tính phi tuyến vào mô hình, cho phép mạng học các mối quan hệ phức tạp

Tính toán trọng số giữa các nơ-ron

Xác định tốc độ học của mô hình

Lưu trữ kết quả trung gian trong quá trình lan truyền ngược